基于残差密集融合对抗生成网络的PET-MRI图像融合

为了增强核磁共振与正电子发射断层扫描图像融合的纹理细节,摆脱人工设计融合规则对先验知识的依赖.提出了自适应的残差密集生成对抗网络(adaptive dense residual generative adversarial network,ADRGAN)来融合两种模态的医学图像.ADRGAN设计了区域残差学习模块与输出级联生成器,在加深网络结构的同时避免特征丢失;然后,设计了基于自适应模块的内容损失函数,强化输出融合图像的内容信息;最后,通过源图像的联合梯度图与融合图像的梯度图构建对抗性博弈来高效训练生成器与鉴别器.实验结果表明,ADRGAN在哈佛医学院MRI/PET数据集的测试中峰值信噪比和结构相似度分别达到55.2124和0.4697,均优于目前最先进的算法;所构建的模型具有端对端和无监督两特性,无需人工干预,也不需要真实数据作为标签.

Tomcat与IIS或Apache服务器集成的应用研究

为解决中小型远程监测JSP网站开发中,Tomcat服务器单独运行时不能获取和显示实时MPEG-2视频数据流的问题,提出Tomcat与IIS或Apache服务器集成的解决方案。详细分析了方案的技术选择、配置和工作原理,阐述了具体实现Tomcat与IIS或Apache服务器集成的方法,实验结果表明了该方案在远程监测中的可行性与有效性。结果表明,Tomcat与IIS或Apa-che服务器集成可有效解决服务器难以处理大量视频数据流的问题,还可提升网站访问速度和稳定性。

二次定位车牌分割及识别方法

智慧城市建设中,需对重点街道和路口采集到的交通视频文件进行智能分析.为此,提出一种二次定位车牌分割、识别方法.首先,利用垂直投影区域特征并结合Hough变换得到车牌的粗略定位分割结果;然后,基于该车牌图像的粗略定位分割结果,采用支持向量机的方法,进行车牌的精细定位分割并对车牌号码进行自动提取、识别.通过对多源车流量视频实验数据中的1680帧车牌图像进行自动车牌提取分析,在5°和10°两个倾斜角度,二次定位车牌识别方法的准确率分别达到96.7%和96.2%,优于相关算法.

基于视觉显著性检测的图像分类方法

针对传统的图像分类方法对整个图像不分等级处理以及缺乏高层认知的问题,提出了一种基于显著性检测的图像分类方法。首先,利用视觉注意模型进行显著性检测,得到图像的显著区域;然后,利用Gabor滤波方法和脉冲耦合神经网络模型,分别提取该显著区域的纹理特征和时间签名特征;最后,根据提取的纹理特征和时间签名特征,利用支持向量机实现图像分类。实验结果表明,所提方法在SIMPLIcity图像数据集上平均分类正确率达到94.26%,在Caltech数据集上平均分类正确率为95.43%,从而证明,显著性检测与有效的特征提取对图像分类有重要影响。

基于深度可分卷积神经网络的实时人脸表情和性别分类

针对目前普通卷积神经网络(CNN)在表情和性别识别任务中出现的训练过程复杂、耗时过长、实时性差等问题,提出一种深度可分卷积神经网络的实时人脸表情和性别识别模型。首先,利用多任务级联卷积网络(MTCNN)对不同尺度输入图像进行人脸检测,并利用核相关滤波(KCF)对检测到的人脸位置进行跟踪进而提高检测速度。然后,设置不同尺度卷积核的瓶颈层,用通道合并的特征融合方式形成核卷积单元,以具有残差块和可分卷积单元的深度可分卷积神经网络提取多样化特征,并减少参数数量,轻量化模型结构;使用实时启用的反向传播可视化来揭示权重动态的变化并评估了学习的特征。最后,将表情识别和性别识别两个网络并联融合,实现表情和性别的实时识别。实验结果表明,所提出的网络模型在FER-2013数据集上取得73.8%的识别率,在CK+数据集上的识别率达到96%,在IMDB数据集中性别分类的准确率达到96%;模型的整体处理帧率达到80 frame/s,与结合支持向量机的全连接卷积神经网络方法所得结果相比,有着1.5倍的提升。因此针对数量、分辨率、大小等差异较大的数据集,该网络模型检测快,训练时间短,特征提取简单,具有较高的识别率和实时性。

基于深度模型迁移的细粒度图像分类方法

针对细粒度图像分类方法中存在模型复杂度较高、难以利用较深模型等问题,提出深度模型迁移(DMT)分类方法。首先,在粗粒度图像数据集上进行深度模型预训练;然后,使用细粒度图像数据集对预训练模型logits层进行不确切监督学习,使其特征分布向新数据集特征分布方向迁移;最后,将迁移模型导出,在对应的测试集上进行测试。实验结果表明,在STANFORD DOGS、CUB-200-2011、OXFORD FLOWER-102细粒度图像数据集上,DMT分类方法的分类准确率分别达到72.23%、73.33%和96.27%,验证了深度模型迁移方法在细粒度图像分类领域的有效性。

实时语义图像分割模型研究

为了实现快速语义图像分割,提出一种简化整合模型.首先,对频域视觉注意模型PQFT的四元数图像虚部系数进行简化改进.然后,将改进PQFT模型的显著图与简化PCNN的内部活动项结合起来对显著目标区域进行粗略定位,并以提出的显著目标区域均值的3/2倍进行精细分割.最后,根据"尺寸变化与否"准则判断输出正确的语义图像分割结果.实验结果表明,提出的整合模型具有实时性,且取得的AUC值和F值较原PQFT模型分别提高了29.9%和44.2%.

基于改进HFT模型的显著性检测

为提高频域视觉注意模型的生物可信性和有效性,在综合分析现有模型的基础上,通过改进超复数傅里叶变换(hypercomplex Fourier transform,HFT)模型使用的颜色空间、四元数图像虚部系数以及最终显著图的产生方法,提出改进HFT模型。在Bruce和Judd两个数据集上对改进模型进行评估,实验结果表明,该模型显著性检测视觉结果与人类视觉更加接近,相较HFT,受试者接受曲线下的面积在两个数据集上分别提高了0.97%和6.33%。

基于Unet网络多任务学习的遥感图像建筑地物语义分割

为准确分割出高分辨率遥感图像中的建筑地物,提出一种基于Unet网络多任务学习的建筑地物语义分割方法。首先,根据遥感图像建筑地物真值图生成边界距离图,并将该遥感图像及其真值图共同作为Unet网络的输入;然后,在基于ResNet网络构建的Unet网络末端加入建筑地物预测层与边界距离预测层,搭建多任务网络;最后,定义多任务网络的损失函数,并使用Adam优化算法训练该网络。在Inria航空遥感图像建筑地物标注数据集上进行实验,结果表明,与全卷积网络结合多层感知器方法相比,VGG16网络、VGG16+边界预测、ResNet50和本文方法的交并比值分别提升5.15,6.94,6.41和7.86百分点,准确度分别提升至94.71%,95.39%,95.30%和96.10%,可实现高精度的建筑地物提取。

基于稀疏性和自信息的显著性检测方法

为提高图像显著性检测的准确性与有效性,在CIE Lab颜色空间内,通过模拟生物视觉神经元的中央-周围运算,提出一种基于稀疏表示与自信息的快速显著性检测方法。对原始输入图像的特征图像进行稀疏量化,计算该稀疏量化图像各像素点的自信息值,根据各像素点的自信息值进行显著性检测。实验结果表明,与GBVS、AIM和ITTI模型相比,该方法 AUC值分别提高了15%、17%和20%,平均耗时则分别降低了93%、95%和92%,验证了该方法能够准确快速地检测图像显著性。

智能冰箱关键技术研究

针对传统冰箱缺乏智能性,难以满足物联网时代需求的问题,提出一种智能冰箱原型系统。该系统集成冰箱端开发板、移动客户端及服务器端应用程序的设计与实现。冰箱端选用基于OK6410的ARM11开发板,通过Win CE系统将收集到的食品数据实时传输给远程服务器,并将其保存到数据库中;数据库服务器端,提出最优时隙防冲突算法,根据标签数目分配帧长,使得所有标签分得帧长时隙以解决多标签同时读/写数据碰撞问题;客户端用户通过无线保真(WiFi)网络、移动通信网络等连接到远程服务器,随时随地管理冰箱。仿真实验结果表明,所设计与实现的冰箱食品信息远程查看与管理、饮食搭配菜谱智能推荐、冰箱周期清理和食品保鲜期限实时提醒等功能科学、合理和实用。

联合双边滤波器和小波阈值收缩去噪算法研究

针对现有去噪算法去噪不彻底、噪声误判、损害图像边缘和纹理细节信息的缺点,提出一种联合双边滤波器和小波阈值收缩图像去噪算法。首先,使用双边滤波器对含有噪声图像进行分层;其次,对不同分层结果,选择不同滤波器进行去噪:高对比度层采用双边滤波器,低对比度层采用小波阈值收缩去噪方法;最后,融合高、低对比度层去噪图像,实现有效去除噪声的同时,保证图像信息完整。实验结果表明,本文算法的峰值信噪比达到40.99 d B,比非局部均值滤波、双边滤波器、小波阈值收缩和偏微分方程图像去噪算法分别提高了7.79%,3.56%,11.22%和1.91%;与此同时,还能有效保留图像边缘和纹理等细节信息。

基于改进PSPnet的无人机农田场景语义分割

【目的】改进PSPnet语义分割模型在无人机农田场景下的性能。【方法】对PSPnet语义分割模型进行3方面改进:(1)通过不同维度特征级联,在强化场景解析的基础上保留更多图像细节特征。(2)利用深度可分离卷积模块构建轻量级语义分割模型,使其更加高效。(3)改进激活函数,提升模型分割效果。【结果】所建模型的平均像素准确率和平均交并比分别为89.48%和82.38%,比改进前的模型提高了18.12%和18.93%,且分割结果优于Unet和DeeplabV3+等模型。【结论】改进后的模型能够有效进行无人机遥感农田场景语义分割。

基于DPMM和MRF的高分辨率遥感图像无监督对象分割

为准确、自动地进行高分辨率遥感图像地物目标对象分割,提出一种基于狄利克雷过程混合模型(DPMM)和马尔可夫随机场(MRF)的无监督对象分割方法(DPMM-OMRF)。首先,使用网格划分超像素为基本对象;其次,使用多维高斯分布构建DPMM先验,并使用相似性度量构建MRF先验,二者以自适应权重方式相结合作为DPMM-OMRF模型的先验分布;然后,在贝叶斯框架下,将基本对象的似然分布与联合先验分布结合,构建DPMM-OMRF模型,并推导类标签的条件分布;最后,通过推导和计算类标签后验概率,设计Gibbs采样方法,更新DPMM-OMRF模型的标签场和参数。实验结果表明,DPMM-OMRF模型的总体分类精度(OA)提高到90%左右,Kappa系数接近0.8,并且能够准确地识别出地物目标类属数和更加准确地分割出完整地物目标对象。

基于项目比赛的物联网教学模式研究

针对物联网工程专业知识繁杂、课程枯燥等问题,提出基于项目比赛的物联网教学模式。从项目比赛的动员,到项目比赛的课堂开展与课下研究,再到物联网工程专业学生的综合能力的提升,阐述各阶段的经验与观点。这种实践教学模式在专业建设、人才培养、师生交流和教学改革等方面具有良好的效果与作用。

人机交互系统多维语音信息识别方法

利用现有方法对多维语音信息进行识别时,没有对多维语音信息进行相关预处理,存在语音识别率低、识别效率低和识别准确率低的问题。提出人机交互系统多维语音信息识别方法,通过预加重、分帧加窗和端点检测对多维语音信息进行预处理,消除由于人类发声器官本身和环境引起噪声等因素对多维语音信号质量产生的影响,平滑多维语音信息,提取多维语音信息的特征参数,通过关联规则重组方法对人机交互系统多维语音信息的特征参数进行融合,获得多维语音信息特征,完成人机交互系统多维语音信息的识别。实验结果表明,所提人机交互系统多维语音信息识别方法的语音识别率较高、识别效率较高、识别准确率较高。

基于全局和局部信息融合的显著性检测

为提高低对比度、复杂自然图像显著性检测的准确率和泛化性能,提出一种贝叶斯框架下的全局和局部信息融合的显著性检测模型.首先,构建深度卷积自编码网络,采用对称编解码结构,监督学习图像全局特征,得到全局显著图;然后,根据全局显著图产生前景和背景码本,利用局部约束线性编码算法进行编码,采用稀疏编码描述局部特征,产生局部显著图;最后,提出采用贝叶斯框架,将全局和局部信息融合,生成最终显著图.实验结果表明,所提模型在ECSSD,DUT-OMRON和PASCAL数据集上F-measure值分别为76.53%、59.45%和72.52%,MAE值分别为0.14328、0.13787和0.18105,且能够有效对低对比度、复杂真实自然图像进行显著性检测.

基于生物视觉机制的图像感兴趣区域快速获取方法研究

为快速准确地获取图像感兴趣区域,有必要从宏观视觉通道到微观视觉神经细胞全程模拟生物视觉机制。首先,在模拟宏观视觉where通道的超复数傅里叶变换HFT(Hypercomplex Fourier Transform)模型中,为突显图像中的显著目标,增加背景通道,抑制背景信息;其次,用模拟生物视觉神经元的脉冲耦合神经网络PCNN(Pulse Coupled Neural Network)来扩展HFT模型:将改进HFT模型的显著图作为简化PCNN的输入图像,并利用最小交叉熵分割出感兴趣区域。实验结果表明,该感兴趣区域提取算法的准确性达到98.1%,提取时间为5.732 s,能够快速准确地检测出图像的感兴趣区域。

改进稀疏表示模型的目标跟踪

针对受到光照、遮挡及姿态变化等引起的目标外观发生变化时,目标跟踪的鲁棒性和准确性较差的问题,将稀疏表示引入到粒子滤波框架进行目标跟踪,提出一种稀疏协同模型。首先,在目标运动定位模型中,使用灰度强度值表示目标对象;其次,判别模型通过训练正负模板集获得最优分类特征,并在生成模型中对目标直方图加权以提高目标生成效率;然后,将分类判别模型和生成模型集成在协同模型中,利用重构误差确定目标;最后,通过各模块独立更新,减少目标外观变化对目标跟踪的影响。实验结果表明,所提方法的平均中心误差仅为7.5像素,且具备良好的抗噪性和实时性。

改进HFT模型及其在图像分类中的应用

为降低图像分类数据的冗余性以提高图像分类的准确率,提出一种改进HFT(Hyper complex Fourier Transform)模型并进行图像分类.首先,利用提出改进HFT得到视觉显著图.1)超复数图像的三个虚部系数由R,G,B替换为L',a',b',而实部系数为调整后的亮度值;2)通过傅里叶变换原始相位谱和滤波后幅度谱重构二维图像,不同的尺度空间得到多个候选显著图;3)引入标准差和对比函数,得到视觉显著图.其次,分别提取显著图的PCNN(Pulse Coupled Neural Network)时间签名特征以及纹理特征.最后,利用提取的图像特征作为SVM(Support Vector Machine)的输入向量,进行图像多分类.实验结果表明,本文方法在SIMPLIcity图像测试集上的分类准确性达到了95.04%,在Caltech测试集分类准确性达到了95.23%,提高了图像分类的准确率.